نقشه برداری؛ در برابر زلزله، کلید آمادگی و مدیریت بحران (قسمت2)

اقدامات امداد و نجات پس از زلزله

در مواجهه با زلزله، فناوری‌های جغرافیایی می‌توانند نقش حیاتی در سرعت‌بخشی به اقدامات امدادی ایفا کنند. به ویژه، استفاده از InSAR (Synthetic Aperture Radar Interferometry) در نظارت بر تغییرات زمین و تحلیل ویرانی‌های ناشی از زمین لرزه‌ها تأثیر زیادی در بهبود پاسخ‌های اضطراری دارد. این تکنولوژی، در مقایسه با روش‌های ژئودتیک سنتی، اطلاعات دقیق‌تری را ارائه می‌دهد که می‌تواند به تیم‌های امدادی کمک کند تا درک بهتری از وضعیت زمین‌شناسی و میزان ویرانی‌ها به دست آورند.

تا سال 2014، یکی از مهم‌ترین مشکلات در استفاده از داده‌های SAR این بود که فرکانس جمع‌آوری داده‌ها پایین بود و تصاویر پس از وقوع زمین لرزه ممکن بود هفته‌ها پس از وقوع آن تهیه شوند. این امر منجر به محدودیت در پاسخ سریع به وضعیت‌های اضطراری می‌شد. با این حال، با معرفی نسل جدید ماهواره‌های SAR، به ویژه Sentinel-1، این مشکلات تا حد زیادی برطرف شده است. این ماهواره‌ها اکنون قادرند اطلاعات تغییرات زمین را به صورت آنی در اختیار امدادگران قرار دهند و به شبیه‌سازی‌های دقیق‌تر و پیش‌بینی‌های به موقع کمک کنند.

پلتفرم‌های جغرافیایی آنلاین (Web GIS) نیز نقش اساسی در عملیات امدادی دارند. این پلتفرم‌ها امکان دسترسی به اطلاعات جغرافیایی به صورت آنی از طریق مرورگرهای وب را فراهم می‌کنند. این اطلاعات می‌تواند شامل موقعیت ساختمان‌ها، بیمارستان‌ها، ایستگاه‌های آتش‌نشانی، پناهگاه‌ها، شبکه‌های جاده‌ای و داده‌های جمعیتی باشد که پیش از ظهور این فناوری‌ها جمع‌آوری و به‌اشتراک‌گذاری آن‌ها زمان‌بر و محدود بود. به‌طور خاص، پلتفرم QuickDeform که به‌طور اختصاصی برای شناسایی تغییرات زمین لرزه‌ای در زمان واقعی طراحی شده است، می‌تواند به عنوان یک پایگاه اطلاعات جغرافیایی مشارکتی در جمع‌آوری و تحلیل داده‌های بلایای طبیعی مورد استفاده قرار گیرد و همچنین از اعتبارسنجی مدل‌های پیش‌بینی و امداد پشتیبانی کند.

استفاده از اطلاعات جغرافیایی مشارکتی (VGI) در این فرآیند، که به جمع‌آوری داده‌ها توسط عموم مردم اشاره دارد، به طور قابل توجهی سرعت جمع‌آوری و تبادل داده‌های مکانی را افزایش داده و امکان ارزیابی و تصمیم‌گیری سریع‌تر در بحران‌ها را فراهم می‌آورد. در این فرآیند، اطلاعات جغرافیایی به‌طور سریع و با هزینه‌ای کمتر نسبت به روش‌های سنتی جمع‌آوری داده‌ها، مبادله می‌شوند. البته این شیوه با چالش‌هایی در زمینه دقت و مدیریت داده‌ها روبروست که نیاز به نظارت دقیق دارد.

زلز‌له ها و رویدادهای مشابه مانند سونامی، آتشفشان‌ها و طوفان‌ها، به‌ویژه در مناطق شهری، نیاز به طراحی استراتژی‌های بحرانی برای مدیریت منابع و سرعت پاسخ دارند. داده‌های مکانی جمع‌آوری‌شده از سنسورهای مختلف مانند شبکه‌های GPS، ماهواره‌ها و دیگر منابع، نقش کلیدی در درک بهتر تأثیرات زمین‌لرزه و پیش‌بینی رفتار آن‌ها دارند.

خلاصه و یافته‌های اصلی بخش امداد و نجات

• فناوری‌های GIS آنلاین به‌طور مستقیم از عملیات جستجو و نجات پشتیبانی می‌کنند و سرعت پاسخ به وضعیت‌های اضطراری را بهبود می‌بخشند.
• SAR و اطلاعات InSAR به‌طور مؤثر می‌توانند تغییرات زمین‌لرزه‌ای و مسیرهای تخریب را شبیه‌سازی و تجزیه و تحلیل کنند.

پلتفرم‌های GIS آنلاین اطلاعات حیاتی را برای امدادگران فراهم کرده و امکان شبیه‌سازی‌های عملیاتی پیچیده‌تر را تسهیل می‌کنند، که این امر به تصمیم‌گیری بهتر و سریع‌تر در مدیریت بحران کمک می‌کند.

ارزیابی خسارات

مرحله پاسخ به زلزله شامل فعالیت‌هایی است که در زمان وقوع یا بلافاصله پس از آن برای ارائه کمک‌های اضطراری به قربانیان انجام می‌شود. در برنامه‌ریزی شهری، پشتیبانی مؤثر از مدیریت خطرات بلایای طبیعی، کاهش و کاهش آسیب‌ها نیازمند استفاده از اطلاعات جغرافیایی است که مدیریت آن‌ها به یکی از چالش‌های اصلی در این حوزه تبدیل شده است. با این حال، فناوری‌های جغرافیایی قطعاً بخش جدایی‌ناپذیر از مرحله پاسخ به زلزله و عملیات نجات خواهند بود.

در زلز‌له 6.6 نیگاتا چوتسو-اوکی در ژاپن در سال 2007، تصاویر ماهواره‌ای با وضوح بالا که پس از حادثه گرفته شده‌اند با موفقیت بر روی تصاویر Google Earth قرار گرفتند. انتظار می‌رود این برنامه و جانشین‌های احتمالی آن نقش مهمی در فعالیت‌های پس از زلزله در آینده ایفا کنند. روند دسترسی آزاد به داده‌های ماهواره‌ای و پلتفرم‌های ژئودتیک آزاد دسترسی، استفاده از تصاویر را تقریباً بلافاصله پس از وقوع زلز‌له تسهیل می‌کند.

داده‌های سنجش از دور کاربرد گسترده‌ای در نظارت و ارزیابی خسارات ناشی از زلزله دارند. آسیب به ساختمان‌ها یکی از مخرب‌ترین پیامدهای ناشی از زلزله است. تفسیر بصری تصاویر با وضوح بسیار بالا از اولین تصاویری که در دسترس قرار گرفتند، مورد توجه قرار گرفته است. یکی از اولین مثال‌ها مربوط به زلز‌له 2003 بو مردس در الجزایر است، که در آن چندین محقق از استفاده از مقیاس آسیب EMS برای شناسایی آسیب‌ها صحبت کرده‌اند.

روش‌های ارزیابی خسارت ناشی از زلزله به شرح زیر خلاصه شده است:

• تکنیک تفسیر که به مجموعه داده‌ها پس از وقوع زلزله اعمال می‌شود
• شناسایی تغییرات با استفاده از تصاویر پیش و پس از زلزله با همان نوع حسگر و هندسه اندازه‌گیری
• روش شناسایی تغییرات با استفاده از داده‌های پیش و پس از زلزله از حسگرهای مختلف
• ادغام داده‌ها با لایه‌های GIS پیش از ز‌لزله و اطلاعات جدید در محل (مانند داده‌های سنسورهای زلزله)

داده‌های راداری سنجش از دور به طور گسترده‌ای در ارزیابی خسارات ساختمان‌ها استفاده می‌شوند. یکی از مقایسه‌های مهم بین مشاهدات PALSAR و TerraSAR-X برای ارزیابی آسیب‌های ساختاری در مناطق شهری پس از زلزله انجام شد. مشخص شد که PALSAR برای شناسایی بلایای ژئولوژیکی ثانویه کارآمد است، در حالی که TerraSAR-X به دلیل تصاویر با وضوح بالاتر، برای تخمین آسیب به ساختمان‌ها در مناطق شهری مناسب‌تر است.

از تصاویر راداری و نوری برای ارزیابی و نظارت بر مناطق آسیب‌دیده شهری پس از زلزله 8 ریشتری ونجوان چین در سال 2008 استفاده شد. با استفاده از ترکیب تصاویر نوری و راداری در زلزله‌های ایزمیت ترکیه در سال 1999 و بم ایران در سال 2003، به این نتیجه رسیدند که تنها تصاویر راداری 70% دقت داشتند، تصاویر نوری تنها 82% و ترکیب آن‌ها 89% دقت داشت.

تصاویر نوری همچنین می‌توانند برای ارزیابی آسیب به ساختمان‌های فردی استفاده شوند. از تصاویر نوری با وضوح بالا برای شناسایی آسیب به ساختمان‌ها پس از زلزله 6.3 ریشتری لآکیلا در ایتالیا در سال 2009 استفاده شد. یادگیری عمیق (DL) یک روش یادگیری ماشین است که از استخراج خودکار و محاسبات دقیق ویژگی‌ها پشتیبانی می‌کند. از DL با جفت‌های تصاویر نوری پیش و پس از ز‌لزله برای شناسایی آسیب‌های ساختمان‌ها استفاده شد. با این حال، ممکن است تنها از یک تصویر پس از حادثه برای استخراج آسیب‌ها با استفاده از DL استفاده کرد.

استفاده از LiDAR برای شناسایی آسیب به ساختمان‌ها توسط چندین محقق مورد بررسی قرار گرفته است. سیستم شناسایی خودکار آسیب به ساختمان‌ها بر اساس داده‌های LiDAR پیشنهاد شد. تحقیقی الگوریتمی را معرفی کرد که استفاده از تنها داده‌های LiDAR پس از زلزله برای استخراج میزان آسیب را امکان‌پذیر می‌سازد. یک روش‌شناسی برای ارزیابی آسیب به ساختمان‌ها بر اساس تکنیک‌های یادگیری ماشین ترکیب شده با تصاویر ماهواره‌ای با وضوح بالا و اندازه‌گیری‌های LiDAR پیشنهاد شد. از ترکیب LiDAR با تصاویر ماهواره‌ای برای شناسایی آسیب‌های ساختمان‌ها در مرحله پس از ز‌لزله استفاده شد، در حالی که از ترکیب LiDAR با تصاویر VHR و از ترکیب LiDAR و SAR برای تخمین آسیب‌های ساختمان‌ها بهره بردند.

تکنیک‌ها و روش‌های خاصی برای استخراج اطلاعات از تصاویر ماهواره‌ای نقش مهمی ایفا می‌کنند. تحلیل داده‌ها (رویکردهای مبتنی بر پیکسل یا مبتنی بر شیء) معمولاً با استفاده از داده‌های پیش‌پردازش‌شده و هندسی تنظیم شده انجام می‌شود و شامل طبقه‌بندی، بخش‌بندی، استخراج اطلاعات هندسی و طیفی، انتخاب داده‌ها و تجمیع آن‌ها است. تکنیک‌های استخراج ویژگی شامل تحلیل فضایی، شناسایی تغییرات و ادغام منابع داده متعدد با لایه‌های GIS می‌باشند.

یک تکنیک بخش‌بندی برای شناسایی و استخراج آسیب به ساختمان‌های خاص پس از زلزله از تصاویر هوایی VHR به‌طوری‌که فرض بر این بود که شکل و ابعاد آن‌ها قبلاً به‌عنوان لایه GIS ذخیره شده است، ایجاد شد. مقایسه بین شکل‌های اصلی و شناسایی‌شده پس از حادثه طبقه‌بندی قابل اعتمادی بین ساختارهای آسیب‌دیده و سالم ایجاد کرد. این فرایند از دیگر مطالعات آسیب به ساختمان‌ها متفاوت است، زیرا آسیب‌ها را با استنتاج استخراج می‌کند، برخلاف استخراج آسیب با طبقه‌بندی مستقیم

نقشه‌ای پس از زلزله برای زلزله 7.4 ریشتری در شهر پالو، اندونزی در سال 2018 ایجاد شد که منجر به از دست رفتن 2100 نفر و آسیب به 70,000 ساختمان شد، با استفاده از شبکه‌های عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) به همراه داده‌های تصاویر ماهواره‌ای Landsat-8 و Sentinel-2. در حالی که نتایج ANN و SVM بسیار مشابه بودند، تصاویر Landsat 86% تطابق داشتند و Sentinel تنها 64%.

روش‌های بیشتری برای بهبود شناسایی خسارت از تصاویر ماهواره‌ای در ادبیات مورد بحث قرار گرفته‌اند. یکی از روش‌ها بر اساس ادغام ویژگی‌های تطبیقی چندمقیاس استوار است که آسیب را با استفاده از ناهمگنی متنی شناسایی می‌کند. روش شناسایی اشیاء You Only Look Once نسخه 3 (YOLOv3) با موفقیت برای شناسایی ساختمان‌های فروریخته استفاده شد.

توضیحات بخش‌ها:

a)بلوچستان

مقیاس جابه‌جایی شمال-جنوب:
نقشه‌ای از جابه‌جایی سطح زمین در امتداد محور شمال-جنوب در زلزله بلوچستان 2013.

رنگ‌ها: آبی نشان‌دهنده حرکت منفی (جابه‌جایی به جنوب). قرمز نشان‌دهنده حرکت مثبت (جابه‌جایی به شمال).

دامنه تغییرات: از -8 متر تا +8 متر.

b )نقشه شدت لرزش

این نقشه شدت لرزش زمین (شدت لرزه‌ای) در مناطق مختلف نزدیک زلزله بلوچستان 2013 را نشان می‌دهد.

رنگ‌ها: از آبی (شدت کم) تا قرمز (شدت بسیار زیاد).

c )اندونزی
جابه‌جایی سطح زمین نسبت به خط دید ماهواره.

رنگ‌ها: آبی: تغییرات منفی نسبت به خط دید. قرمز: تغییرات مثبت نسبت به خط دید.

دامنه: از -π تا +π رادیان.

d )نقشه شدت لرزش:

شدت لرزش زمین در اثر زلزله 2018 اندونزی.

رنگ‌ها: مشابه قسمت (b) شدت از کم (آبی) تا زیاد (قرمز) است.

e )گورخا 

لغزش گسل
نمایش میزان لغزش گسل در زلزله گورخا 2015.

رنگ‌ها:آبی: لغزش کم. قرمز: لغزش زیاد (تا 6 متر).

f )نقشه شدت لرزش:

شدت لرزش زمین در اثر زلزله گورخا 2015

چندین مطالعه اخیر ترکیب روش بخش‌بندی چندمقیاس با شبکه‌های عصبی کانولوشنی را پیاده‌سازی کرده‌اند، برخی تکنیک‌های مقایسه‌ای بخش به بخش را مورد بررسی قرار داده‌اند، برخی به یادگیری عمیق پرداخته‌اند، برخی مطالعات نشان‌دهنده ادغام بخش‌بندی فوق‌الشرطی مبتنی بر تکنیک‌های یادگیری عمیق هستند، برخی از شناسایی خودکار استفاده کرده‌اند و برخی از تکنیک‌های یادگیری ماشین استفاده کرده‌اند. تحلیل هم‌راستایی چندزمانه و طبقه‌بندهای یادگیری گروهی نیز مورد بررسی قرار گرفته است.

علاوه بر خانه‌های مسکونی آسیب‌دیده، ساختمان‌های تاریخی نیز اهمیت زیادی دارند. مطالعات متعددی در زمینه نظارت بر ساختمان‌ها و بناهای تاریخی انجام شده است. از LiDAR زمینی برای ارزیابی میزان تغییرات در معرض خطر دیوارهای استانبول (ساخته شده حدود 413 میلادی) در ترکیه استفاده شد. مطالعه مشابهی انجام شد که در آن تصاویر اسکن لیزری زمینی برای شناسایی ترک‌ها ناشی از زمین لر‌زه استفاده شد. اندازه‌گیری‌های میدانی با داده‌های InSAR برای ارزیابی آسیب به ساختمان‌های تاریخی در شیشوکاگ، ژاپن استفاده شد.

تحلیل و ارزیابی آسیب‌ها

مدل‌سازی و شبیه‌سازی آسیب‌ها

مدل‌سازی آسیب‌ها به تحلیل پیش‌بینی خسارات و تأثیرات زلزله کمک می‌کند. مدل‌سازی رفتار سازه‌ها و ارزیابی رفتار ساختارها در برابر نیروهای زلزله یک ابزار کلیدی در طراحی مقاوم ساختمان‌ها است. در این زمینه، شبیه‌سازی‌های کامپیوتری و استفاده از داده‌های تجربی برای مدل‌سازی آسیب‌های وارده به ساختارها ضروری است.

اگر به مدل سازی سه بعدی علاقه‌مند هستید پیشنهاد میشود مقاله زیر را مطالعه کنید.

کاربرد سنجش از دور در تحلیل زلزله

برای اطمینان از مقاومت زلزله در مناطق شهری، باید دو مسأله اصلی را مورد توجه قرار داد: اولاً، نیاز به توسعه برنامه‌ای برای کاهش خطرات پیش از وقوع زلزله است و ثانیاً، ضروری است که برنامه‌هایی برای تصمیم‌گیری پس از وقوع ز‌لزله طراحی شود، که هر دو هدف کاهش خسارات اقتصادی بالقوه را دنبال می‌کنند. این بخش به‌عنوان فعالیت‌های پیش و پس از زلزله شناخته می‌شود، که معمولاً شامل مدل‌سازی پیش‌بینی خسارات پیش از وقوع برای مناطق مختلف شهری است که در برنامه‌ریزی اضطراری به‌کار می‌رود.

مدل‌سازی و تحلیل زلزله شامل تکنیک‌های زیادی است. تمرکز اصلی این بخش مرور، توضیح پیاده‌سازی ارزیابی خطر، آسیب‌پذیری و ریسک به‌صورت جغرافیایی است. خطر زلزله می‌تواند به‌عنوان احتمال وقوع یک زلزله تخریبی تعریف شود که به‌عنوان یک رویداد غیرقابل اجتناب فراتر از کنترل انسان، در یک مکان جغرافیایی خاص در یک دوره زمانی معین رخ می‌دهد. آسیب‌پذیری زلزله به مقدار خسارتی اطلاق می‌شود که ممکن است ناشی از یک زلز‌له با شدت معین باشد. خطر و آسیب‌پذیری به‌عنوان پیش‌نیازهای تحلیل و نقشه‌برداری ریسک عمل می‌کنند.

ریسک زلزله به ترکیب پیامدهای اجتماعی، اقتصادی و فرهنگی بالقوه در محیط‌های ساخته‌شده و انسان‌ها به‌دلیل وقوع زلزله مربوط می‌شود. بنابراین، در جایی که هیچ فرد یا ارزشی که تحت تأثیر یک رویداد طبیعی قرار گیرد وجود نداشته باشد، ریسک وجود ندارد. اگرچه نمی‌توان از وقوع زلز‌له و فاجعه ناشی از آن جلوگیری کرد، اما فرآیندهای آمادگی وجود دارند که می‌توانند آسیب‌ها (کاهش آسیب‌پذیری) را به مناطقی که انسان‌ها در آن ساکن هستند، کاهش دهند.

با توجه به کارآیی زمانی و دقت داده‌ها، سنجش از دور به‌عنوان معیاری برای ارزیابی دقیق و سریع خطرات زلزله به‌کار می‌رود، چراکه تنها مدت زمان کوتاهی نیاز است تا پس از وقوع فاجعه، تصمیم صحیحی اتخاذ شود. مناطق مستعد زلزله می‌توانند به‌راحتی با استفاده از روش‌های سنجش از دور و پیشرفت‌های فناوری مانند GeoEye-1 تجزیه و تحلیل شوند تا عملیات قابل‌اطمینان و حداکثر زمان کارآیی در ارزیابی ریسک و خسارات زلزله تضمین شود. بسته به هدف تحلیل، مقیاس و دقت مورد نیاز، داده‌های جغرافیایی می‌توانند ورودی مناسبی برای مدل‌سازی فراهم کنند. از آنجا که بسیاری از ماهواره‌ها و منابع داده‌ای که می‌توان از آنها برای جمع‌آوری داده‌های زلز‌له استفاده کرد، قبلاً مورد بحث قرار گرفته‌اند.

بلایای پی‌آمد زلزله

این بخش بر روی بلایای طبیعی احتمالی که پس از یک زلزله رخ می‌دهند و نقش فناوری جغرافیایی در شناسایی و تشخیص این رویدادها تمرکز دارد. چندین مطالعه به شناسایی و تشخیص اثرات ثانویه زلزله از طریق تصاویر ماهواره‌ای و روش‌های تفسیر مختلف پرداخته‌اند. جدول برخی از مثال‌های بلایای طبیعی ناشی از زلزله را فهرست می‌کند.

در میان تأثیرات عمده زیست‌محیطی زلزله‌ها، رانش زمین و فرونشست پوسته زمین تحت پوشش مطالعات متعدد قرار گرفته است. مرجع فرونشست زمین ناشی از زلزله 2015 گورکا را با استفاده از تکنیک SBAS-DInSAR که به تصاویر پیش از زلزله PALSAR و تصاویر پسا زلز‌له Sentinel-1 A/B SAR اعمال شده، بررسی کرد تا جابجایی فضایی و زمانی قبل و بعد از رویداد را محاسبه کند.

دو زلزله با بزرگی 8.1 و  7.1 ریشتر که در سال 2017 در منطقه جنوب‌غرب مکزیک رخ دادند، تغییرات قابل توجهی در فرونشست و تغییرات مورفولوژیکی ایجاد کردند. برای بررسی اثرات این فرونشست، از چهار جفت تداخل‌سنجی به‌دست‌آمده از ماهواره راداری Sentinel-1 در حالت IW (Interferometric Wide Swath)، TOPS (Terrain Observation by Progressive Scan)، SLC (Single Look Complex) استفاده کرد. برخی از نقشه‌برداری آسیب‌پذیری رانش زمین را با استفاده از سنجش از دور اپتیکال همراه با SAR/InSAR انجام دادند. از ترکیب سه تصویر ماهواره‌ای مختلف برای بررسی میزان فرونشست ناشی از زلزله استفاده کرد.

میزان بالا آمدگی عمودی را با ترکیب داده‌های زمین‌لرزه‌ای با اندازه‌گیری‌های DInSAR تعیین کرد. نرخ‌های توزیع فضایی و زمانی کرنش ناشی از توالی‌های زلز‌له را بررسی کرد. اخیراً، رویکردهای پیشرفته جدیدی برای شناسایی رانش زمین ناشی از زلزله پیشنهاد شده است. یک روش جدید پیشنهاد کرده است که شناسایی خودکار رانش زمین را تسهیل می‌کند و اطلاعات سریع و مؤثری برای کاهش بلایا فراهم می‌آورد. تحلیل تجربی با استفاده از تکنیک‌های مختلف یادگیری ماشین برای نقشه‌برداری دقیق آسیب‌پذیری رانش زمین انجام داد. از داده‌های سنجش از دور یکپارچه با GIS برای نقشه‌برداری آسیب‌پذیری رانش زمین با استفاده از روش‌های نسبت فراوانی و رگرسیون لجستیک استفاده کرد.

زلزله 7 ریشتری که در 8 آگوست 2017 چین را لرزاند و باعث رانش زمین‌های متعددی شد را مطالعه کرد. نویسندگان عملکرد سه مدل محاسباتی، یعنی جنگل تصادفی (RF)، رگرسیون لجستیک (LR) و ماشین بردار پشتیبان (SVM) را مقایسه کردند تا ویژگی‌های کیفی توزیع تمایل به رانش زمین ناشی از زلزله را بررسی کنند. سیل‌ها و سونامی‌ها از دیگر رویدادهای ثانویه مخرب پس از زلزله هستند. مناطق سیل‌زده ناشی از ز‌لزله توهوکو 2011 را با محاسبه ضرایب بازتاب از تصاویر شدت TerraSAR-X شناسایی کرد.

همچنین اثرات ثانویه توهوکو 2011 را با استفاده از شبکه عصبی U-Net مبتنی بر تکنیک یادگیری عمیق برای تولید نقشه آسیب‌دیدگی زلزله-سونامی بررسی کرد. داده‌های سنجش از دور را با بررسی‌های مرسوم عمق زیر آب برای طبقه‌بندی آسیب به ساختمان‌ها ناشی از سونامی بزرگ شیلی ترکیب کردند. منحنی‌های شکنندگی سونامی برای طبقه‌بندی میزان آسیب به ساختمان‌ها استفاده شد و با استفاده از تصاویر IKONOS پیش و پس از سونامی بزرگ اقیانوس هند محاسبه شد.

محدودیت‌ها و چالش‌ها

با وجود استفاده‌های متعدد از داده‌های جغرافیایی در علم و مهندسی زلزله، چندین چالش وجود دارد که مانع از استفاده گسترده‌تر این داده‌ها می‌شود. بررسی‌ها نشان داده‌اند که محدودیت‌های کلیدی در استفاده از سنجش از دور برای ارزیابی خسارت‌های زلزله در سه دسته اصلی قرار می‌گیرند: کلاس حسگر و جهت‌گیری آن نسبت به منطقه مورد نظر، قابلیت وضوح فضایی که اندازه و سطح جزئیات هدفی که حسگر قادر به شناسایی آن است را تعیین می‌کند، و وضوح زمانی که مدت زمان لازم برای بازدید مجدد از منطقه و اطلاعات به‌دست‌آمده از تغییرات رخ‌داده را مشخص می‌کند.

چالش‌های دیگری نیز در این زمینه مطرح است. یکی از این چالش‌ها نظارت بر لیتوسفر با استفاده از فناوری‌های جغرافیایی است که محدودیت‌هایی دارد. به‌ویژه، مشاهده مستقیم حرکت‌های تکتونیکی و تغییرات انرژی در لیتوسفر دشوار است، زیرا دسترسی به عمق‌هایی که این تغییرات رخ می‌دهد غیرممکن است. به همین دلیل، استفاده از تجهیزات خاص مانند چاه عمیق کولا که عمق‌های بسیار زیادی را بررسی کرده، برای این نوع مطالعات ضروری است.

یکی دیگر از محدودیت‌ها، مربوط به شناسایی بی‌نظمی‌های ضعیف جاذبه است که می‌توانند تحت تأثیر محیط قرار گیرند. این بی‌نظمی‌ها ممکن است به دلیل تغییرات غیرز‌لزله‌ای مانند ساخت‌وسازها یا تغییرات شدید دما، نادرست گزارش شوند. علاوه بر این، اندازه‌گیری‌های GNSS (سیستم موقعیت‌یاب جهانی) نیز تحت تأثیر خطاهایی مانند خطاهای ساعت ماهواره، خطاهای چندمسیره، و نویز اندازه‌گیری قرار می‌گیرد، که می‌تواند دقت داده‌ها را کاهش دهد. این موضوع در مطالعات پیش‌بینی زلزله مهم است، زیرا برای به‌دست آوردن داده‌های دقیق به یک شبکه GNSS با چگالی بالا نیاز است.

در ارزیابی خسارت‌های ز‌لزله، ساختار و نوع ابزارهای جمع‌آوری داده‌ها، مانند حسگرهای ماهواره‌ای و هوابرد، به‌طور محدودکننده‌ای کاربرد داده‌ها را در شناسایی طیف کامل خسارت‌های زلزله محدود می‌کند. به‌ویژه، حسگرهای عمودی تنها قادر به شناسایی اطلاعات مربوط به سقف‌ها و آوارهای اطراف هستند و نمی‌توانند آسیب‌های دیوارهای خارجی را نشان دهند. این محدودیت‌ها می‌تواند مشکلاتی در تحلیل دقیق خسارت‌ها ایجاد کند.

عوامل محیطی و هواشناسی نیز چالش‌های دیگری به‌وجود می‌آورند. شرایط جوی نامساعد، زمین‌های کوهستانی، و پوشش گیاهی متراکم دقت داده‌های جمع‌آوری‌شده قبل و بعد از زلزله را کاهش می‌دهند. همچنین، پدیده‌های مانند تغییرات الکترومغناطیسی یا نوسانات در یونوسفر می‌توانند بر کیفیت و دقت پیش‌بینی‌ها و اندازه‌گیری‌ها تأثیرگذار باشند.

در نهایت، ویژگی‌های ذاتی فناوری‌های جغرافیایی و نقشه برداری نیز به‌عنوان چالشی دیگر مطرح است. برای مثال، تحریفات در تصاویر ماهواره‌ای و کالیبراسیون آنها می‌توانند بر مشاهدات تأثیر بگذارند. برخی حسگرها دارای وضوح فضایی متفاوتی هستند که می‌تواند بر داده‌های جمع‌آوری‌شده تأثیر بگذارد. این مسائل ممکن است با پیشرفت فناوری‌های جدید در آینده کاهش یابند.

نتیجه‌گیری‌

با توجه به پیشرفت‌های سریع در علوم اطلاعات فضایی و کامپیوتر، GIS و سنجش از دور اکنون کاربردهای گسترده‌ای در زمینه زلزله‌شناسی دارند. این مقاله به بررسی جدیدترین محصولات و تکنیک‌های جغرافیایی و کاربردهای آنها در مراحل مختلف یک زلزله پرداخته است. با وجود دستاوردهای متعدد در این زمینه، فناوری‌های جغرافیایی همچنان نقش بی‌بدیلی در کاهش خسارات ناشی از ز‌لزله‌ها دارند. به‌ویژه، توانایی این فناوری‌ها در شناسایی توزیع فضایی آوارها و ارزیابی سریع خسارت‌ها، می‌تواند زمان واکنش به بحران را به‌طور چشمگیری کاهش دهد و تلفات جانی را در هنگام وقوع زلزله به حداقل برساند.

با استفاده از داده‌های جغرافیایی، کمبود داده‌های فضایی در خصوص توزیع خسارات جبران می‌شود و این اطلاعات می‌توانند برای اعتبارسنجی و بهبود مدل‌های تحلیلی پیش‌بینی خسارات استفاده شوند. این موضوع موجب تقویت طراحی مقاوم در برابر زلزله و کاهش خسارات در زلزله‌های آینده می‌شود. فناوری GIS همچنین پردازش سریع اطلاعات پیچیده را تسهیل می‌کند که از توسعه استراتژی‌های ویژه برای کاهش اثرات بلایای طبیعی حمایت می‌کند.

مطالعات اخیر نشان داده‌اند که تکنیک‌های SAR (سنجش از دور راداری) ابزار قدرتمندی برای شناسایی حرکت‌های آهسته پوسته زمین در مقیاس‌های مختلف است و می‌تواند در پیش‌بینی وقوع رویدادهای زلز‌له‌ای مفید باشد. این روش در شناسایی تغییرات سطح زمین که ممکن است پیش از وقوع رویدادهای زلزله‌ای رخ دهد، کاربرد دارد و به همین دلیل در استراتژی‌های پیش‌بینی زلز‌له‌های بزرگ اهمیت دارد. با این حال، پیش‌بینی دقیق وقوع زلزله هنوز یک چالش بزرگ باقی مانده است و به ایجاد سیستم‌های تحلیلی جامع و چندپارامتر نیاز دارد.

منبع

برگرفته از مقاله‌ای با این لینک در وب سایت MDPI